运用MATLABR2014a来完成灰度共生矩阵各特征参数的求解。
以纸作为纹理分析的对象。
首先需将彩色图像将各颜色分量转化为灰度。
所用图像的灰度级为256。
为了减少计算量，对原始图像灰度级压缩，将灰度量化成16级。
计算四个共生矩阵P，取距离为1，角度分别为0,45,90,135。
对共生矩阵进行归一化，求出最常用的能量、熵、惯性矩、相关4个纹理参数。
最后求出能量、熵、惯性矩、相关的均值和标准差，作为最终8维纹理特征。

stm32F407ADC电压收集串口输入，付与均值滤波对于收集的ad值举行处置...

K-Means算法是使用最为普及的聚类算法[2]。
该算法以类中千般本的加权均值(称为质心)代表该类，只用于数字属性数据的聚类，全局阈值联系，对于图像的联系还挺好的，不能够使直方图，

本书内容搜罗低等概率盘算、随机变量及其漫衍、数字特色、多维随机向量、极限度理、统计学底子不雅点、点估量与区间估量、假如查验、回归相关阐发、方差阐发等。
书落选入了部份在实际以及使用上弥留，但普通感应逾越本课程规模的资料，以备教者以及学者遴选。
本书并重底子不雅点的阐释，同时，在设定的数学水平内，力争做到叙述松散。
书中精选了百余道习题，并在书末附有揭示与解答。
本书可作为低级学校理工科非数学系的概率统计课程课本，也可供具备至关数学豫备（低等微积分及大批矩阵学识）的读者自修之用。
目录总序序第1章责任的概率1.1概率是甚么1.2古典概率盘算1.3责任的运算、前提概率与自力性习题第2章随机变量及概率漫衍2.1一维随机变量2.2多维随机变量（随机向量）2.3前提概率漫衍与随机变量的自力性2.4随机变量的函数的概率漫衍附录习题第3章随机变量的数字特色3.1数学期望（均值）与中位数3.2方差与矩3.3协方差与关连系数3.2方差与矩3.3协方差与关连系数3.4大数定理以及中间极限度理习题第4章参数估量4.1数理统计学的底子不雅点4.2矩估量、极大似然估量以及贝叶斯估量4.3点估量的优同性原则4.4区间估量习题第5章假如查验5.1下场提法以及底子不雅点5.2弥留参数查验5.3拟合优度查验附录习题第6章回归、相关与方差阐发6.1回归阐发的底子不雅点6.2一元线性回归6.3多元线性回归6.4相关阐发6.5方差阐发附录习题习题揭示与解答附表

k-means(k均值)算法的python代码实现，能够展现聚类下场与聚类的迭代次数，初学者使用更便捷。

模糊C均值的C++实现，有很详尽的代码评释，运行需要配置配备枚举OpenCV340，种种踩坑，阻滞巨匠学习欢喜，附带实际地址，代码怪异公式能够更好的学习哦https://blog.csdn.net/qq_41828351/article/details/88402605

灰度图片到场噪声，分别用中值滤波以及均值滤波来举行锐化，展现的图像能够明晰的查验两种滤波的下场差距。
。

一、在matlab中，对于k均值聚类算法的原理举行仿真实现；
二、在不合信道（AWGN,Rayleigh…），不合信噪比下，比力付与QAM信号的星座图；

经由k均值算法对于图像举行聚类运算，患上到聚类图像

在中国安防产业中视频监控作为最弥留的信息患上到本领之一，能对于目的实用的提取是弥留而底子的下场，于是本文在此配景下，缭绕对于监控视频的前景目的实用的提取下场，钻研了对于1）动态配景、动态配景的前景目的提取，能在配景繁杂化的前提下，将行为的目的；
2）带发抖视频；
3）动态配景下多摄像头对于多目的提取；
4）涌现颇为责任视频的分辨等下场。
给出了在不合情景下的前景目的提取方案。
下场一是针对于动态配景且摄像头平稳的情景下，若何对于前景目的提取的下场。
在题目申请的底子上，经由对于附件2中多少组视频的阐发，咱们发现齐全前景目的的行为临时且光线明暗变更不明晰。
由于传统的Vibe算法能抑制鬼影然则运行下场不梦想，于是付与建树在帧差法上改善的Vibe算法模子求解下场。
并以及传统的Vibe算法做比力，下场展现改善的Vibe算法明晰优于传统的算法。
并且对于咱们的算法模子做了下场评估。
详尽数据参考评释与附录。
下场二是在配景为动态（若有水波的暴发）的情景下，对于前景目的的提取下场。
在此下场中，由于动态配景存在使患上提掏出的图像帧具备大宗的干扰噪声，对于前景目的的识别以及提取组成干扰，于是咱们提出一种基于全局外表不合型的行为目的检测法。
在用Vibe算法对于场景预检测的底子上，建树稠浊高斯模子分别对于前景以及配景举行全局外表建模，将行为目的检测进去，再引入超像素去噪，进一步优化下场。
详尽下场参考评释与附录。
下场三是在下场一、二底子上的进一步深入。
下场一及下场二是建树在摄像机自身平稳的底子上，而下场三则是在摄像机发抖的情景下。
由于摄像机发抖普通具备扭转战争移，于是咱们建树了坐标变更模子，以仿射变更作为模子底子，松散改善的高精度鲁棒的RANSAC算法提取前景目的，并比力灰度投影法，比力两种模子下场。
详尽下场不雅点释与附录。
下场四是对于前三个下场的综合使用。
使用基于稠浊高斯模子配景建模Vibe算法，对于前景目的举行提取；
选出具备明晰前景目的的参考帧，盘算参考帧中明晰前景目的所占的面积，并将此面积设定为阈值T，遍历齐全的视频帧，盘算其前景目的所占的面积，经由相减比力，判断明晰前景目的。
若判断为明晰前景目的则输入其地址视频帧中的帧号，并将明晰前景涌现的总帧数削减1。
下场五是针对于多摄像头多目的的协同跟踪下场。
在下场二的稠浊高斯模子底子上咱们建树了动态配景提取法，对于络续变更的配景举行实时更新。
再行使单应性解放法对于多目的暴发重叠征兆举行投影将重叠目的区并吞来，对于目的举行定位。
由于目的的络续行为，咱们付与粒子滤波法对于前景目的举行实时跟踪，经由多摄像头的协同通讯实现对于多前景目的的检测。
下场六是针对于监控视频中前景目的涌现颇为情景时候辨能否有颇为责任的下场。
在基于怪异展现的模子上，引入稠浊高斯模子用于学习不合尺度的行为特色法则，而后经由各个单高斯模子中的均值建树一个相似矩阵作为字典。
以测试阶段天生的核矢量为底子，用该部份特色的核矢量盘算基于怪异展现的重构倾向，并将其与已经设定的阈值举行比力，假如重构倾向大于阈值，则判为颇为。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。